論文の概要: Unbiased Lift-based Bidding System
- arxiv url: http://arxiv.org/abs/2007.04002v2
- Date: Thu, 9 Jul 2020 02:09:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-12 12:47:09.883991
- Title: Unbiased Lift-based Bidding System
- Title（参考訳）: 無バイアス自由度バイディングシステム
- Authors: Daisuke Moriwaki and Yuta Hayakawa and Isshu Munemasa and Yuta Saito
and Akira Matsui
- Abstract要約: 偏りのあるログデータから昇降効果を正確に予測し,広告主の利益を最大化するUnbiased Liftベースの入札システムを開発した。
本システムは,ログの固有バイアスを理論的に緩和することにより,高いパフォーマンスのリフトベース入札戦略を実現する最初のシステムである。
- 参考スコア（独自算出の注目度）: 8.959554081006285
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Conventional bidding strategies for online display ad auction heavily relies
on observed performance indicators such as clicks or conversions. A bidding
strategy naively pursuing these easily observable metrics, however, fails to
optimize the profitability of the advertisers. Rather, the bidding strategy
that leads to the maximum revenue is a strategy pursuing the performance lift
of showing ads to a specific user. Therefore, it is essential to predict the
lift-effect of showing ads to each user on their target variables from observed
log data. However, there is a difficulty in predicting the lift-effect, as the
training data gathered by a past bidding strategy may have a strong bias
towards the winning impressions. In this study, we develop Unbiased Lift-based
Bidding System, which maximizes the advertisers' profit by accurately
predicting the lift-effect from biased log data. Our system is the first to
enable high-performing lift-based bidding strategy by theoretically alleviating
the inherent bias in the log. Real-world, large-scale A/B testing successfully
demonstrates the superiority and practicability of the proposed system.
- Abstract（参考訳）: オンラインディスプレイ広告オークションの従来の入札戦略は、クリックや変換のような観察されたパフォーマンス指標に大きく依存している。
しかし、これらの容易に観測可能な指標をナビゲート的に追求する入札戦略は、広告主の利益率の最適化に失敗する。
むしろ、最大の収益につながる入札戦略は、特定のユーザーに広告を表示するというパフォーマンス向上を追求する戦略だ。
したがって、ログデータから、ターゲット変数上の各ユーザに広告を表示することのリフト効果を予測することが不可欠である。
しかし,過去の入札戦略で収集したトレーニングデータは,入賞印象に対して強いバイアスを持つ可能性があるため,リフト効果の予測は困難である。
本研究では、偏りのあるログデータから昇降効果を正確に予測し、広告主の利益を最大化するUnbiased Liftベースの入札システムを開発する。
提案方式は,理論上はログ内固有のバイアスを軽減し,高パフォーマンスなリフトベース入札戦略を実現する最初のシステムである。
実世界の大規模A/Bテストは,提案システムの優位性と実用性を示す。
関連論文リスト
- Uncertainty-Aware Instance Reweighting for Off-Policy Learning [63.31923483172859]
本研究では,不確実性を考慮した逆確率スコア推定器 (UIPS) を提案する。
実世界の3つのレコメンデーションデータセットを用いた実験結果から,提案したUIPS推定器の有効サンプル効率が示された。
論文 参考訳（メタデータ） (2023-03-11T11:42:26Z) - Real-time Bidding Strategy in Display Advertising: An Empirical Analysis [0.20999222360659603]
本稿では,リアルタイム入札ディスプレイ広告における広告主の入札戦略を最適化する問題と課題について述べる。
iPinYouデータセット上でのいくつかの代表的な入札戦略の性能を定量的に評価した。
論文 参考訳（メタデータ） (2022-11-30T05:50:43Z) - VFed-SSD: Towards Practical Vertical Federated Advertising [53.08038962443853]
本稿では,2つの制限を緩和する半教師付き分割蒸留フレームワーク VFed-SSD を提案する。
具体的には,垂直分割された未ラベルデータを利用する自己教師型タスクMatchedPair Detection (MPD) を開発する。
当社のフレームワークは,デプロイコストの最小化と大幅なパフォーマンス向上を図った,リアルタイム表示広告のための効率的なフェデレーション強化ソリューションを提供する。
論文 参考訳（メタデータ） (2022-05-31T17:45:30Z) - SURF: Semi-supervised Reward Learning with Data Augmentation for
Feedback-efficient Preference-based Reinforcement Learning [168.89470249446023]
我々は、大量のラベルなしサンプルとデータ拡張を利用する半教師付き報酬学習フレームワークSURFを提案する。
報奨学習にラベルのないサンプルを活用するために,選好予測器の信頼性に基づいてラベルのないサンプルの擬似ラベルを推定する。
本実験は, ロボット操作作業における嗜好に基づく手法のフィードバック効率を有意に向上させることを実証した。
論文 参考訳（メタデータ） (2022-03-18T16:50:38Z) - A Unified Framework for Campaign Performance Forecasting in Online
Display Advertising [9.005665883444902]
解釈可能で正確な結果により、広告主はキャンペーン基準を管理し、最適化することができる。
新しいフレームワークは、様々な入札型の下で履歴ログのキャンペーンパフォーマンスを統一的なリプレイアルゴリズムで再現する。
手法は、関連する予測指標間の混合キャリブレーションパターンをキャプチャして、推定結果を真にマッピングする。
論文 参考訳（メタデータ） (2022-02-24T03:04:29Z) - A Real-World Implementation of Unbiased Lift-based Bidding System [8.35120274877627]
典型的なデマンド・サイド・プラットフォーム(DSP)は、広告インプレッションの直後にクリックおよび変換の予測確率に基づいてバイドする。
近年の研究では、このような戦略が最適以下であるとされ、リフトベースの入札というより優れた入札戦略が提案されている。
リフトベースの入札は、単に広告インプレッションの上昇効果に応じて価格を入札し、販売などのターゲット指標を達成する。
論文 参考訳（メタデータ） (2022-02-23T01:15:54Z) - Bid Optimization using Maximum Entropy Reinforcement Learning [0.3149883354098941]
本稿では、リアルタイム入札(RTB)における強化学習(RL)を用いた広告主の入札戦略の最適化に焦点をあてる。
まず、広く受け入れられている線形入札関数を用いて、すべての印象のベース価格を計算し、RTBオークション環境から派生した可変調整係数で最適化する。
最後に、公開データセットに関する実証的研究により、提案した入札戦略がベースラインよりも優れた性能を示した。
論文 参考訳（メタデータ） (2021-10-11T06:53:53Z) - We Know What You Want: An Advertising Strategy Recommender System for
Online Advertising [26.261736843187045]
本稿では,ディスプレイ広告プラットフォーム上での動的入札戦略レコメンデーションのためのレコメンデーションシステムを提案する。
ニューラルネットワークをエージェントとして使用して,広告主のプロファイルや過去の採用行動に基づいて,広告主の要求を予測する。
オンライン評価は、広告主の広告パフォーマンスを最適化できることを示している。
論文 参考訳（メタデータ） (2021-05-25T17:06:59Z) - Enhancing User' s Income Estimation with Super-App Alternative Data [59.60094442546867]
これは、これらの代替データソースのパフォーマンスと、業界に受け入れられた局の収入推定器のパフォーマンスを比較します。
本論文は、金融機関がリスクプロファイルの構築に代替データを導入しようとする動機を示すものである。
論文 参考訳（メタデータ） (2021-04-12T21:34:44Z) - A novel auction system for selecting advertisements in Real-Time bidding [68.8204255655161]
リアルタイム入札(Real-Time Bidding)は、インターネット広告システムで、近年非常に人気を集めている。
本稿では、経済的な側面だけでなく、広告システムの機能にかかわる他の要因も考慮した、新たなアプローチによる代替ベッティングシステムを提案する。
論文 参考訳（メタデータ） (2020-10-22T18:36:41Z) - Dynamic Knapsack Optimization Towards Efficient Multi-Channel Sequential
Advertising [52.3825928886714]
我々は、動的knapsack問題として、シーケンシャルな広告戦略最適化を定式化する。
理論的に保証された二段階最適化フレームワークを提案し、元の最適化空間の解空間を大幅に削減する。
強化学習の探索効率を向上させるため,効果的な行動空間削減手法も考案した。
論文 参考訳（メタデータ） (2020-06-29T18:50:35Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。